opencv009 滤波器01（卷积）

图像卷积操作（convolution），或称为核操作（kernel），是进行图像处理的一种常用手段，

图像卷积操作的目的是利用像素点和其邻域像素之前的空间关系，通过加权求和的操作，实现模糊（blurring），锐化（sharpening），边缘检测（edge detection）等功能。

期末考试结束！又开始学习opencv啦

1、什么是图片卷积

图像卷积就是卷积核在图像上按行滑动遍历像素时不断地相乘求和的过程

2D卷积需要4个嵌套循环4-double loop，所以它并不快，除非我们使用很小的卷积核。这里一般使用3x3或者5x5。而且，对于滤波器，也有一定的规则要求：

1）滤波器的大小应该是奇数，例如3x3，5x5或者7x7。（原因后面会提到）

2）滤波器矩阵所有的元素之和应该要等于1，这是为了保证滤波前后图像的亮度保持不变。当然了，这不是硬性要求了。

3）如果滤波器矩阵所有元素之和大于1，那么滤波后的图像就会比原图像更亮，反之，如果小于1，那么得到的图像就会变暗。如果和为0，图像不会变黑，但也会非常暗。

4）对于滤波后的结构，可能会出现负数或者大于255的数值。对这种情况，我们将他们直接截断到0和255之间即可。对于负数，也可以取绝对值。

步长

步长就是卷积核在图像上移动的步幅，充分扫描图片，步长一般为1

下例步长为2（不太常见）

padding

上面的例子中发现，卷积操作后图片的长宽会变小，如果要保持图片大小不变，我们需要在图片的周围填充0，padding指的是填充0的圈数

可以通过公式计算出需要填充的0的圈数

右下角的公式是P=（F-1）/2

（自动认为步长为0哈）

卷积核的大小

滤波器的大小应该是奇数。

这样它才有一个中心，例如3x3，5x5或者7x7。有中心了，也有了半径的称呼，例如5x5大小的核的半径就是2。
根据上面的padding公式，如果保持图片大小不变，采用偶数卷积核的话，比如4*4，将会出现填充1.5圈0的情况
有中心，指出滤波器的位置，即opencv卷积中的锚点

卷积案例

函数

filter2D(src, ddepth, kernel[, dst[,anchor[,delta[,borderType]]]])

ddepth是卷积之后的位深，即卷积之后图片的位深，即卷积之后图片的数据类型，一般设为-1，表示和原图类型一致
kernel是卷积核大小，用元组或者ndarray表示，要求数据类型必须是float型
anchor锚点，即卷积核的中心点，是可选参数，默认值是（-1，-1）
delta 可选参数，表示卷积之后额外加一个值，相当于线性方程中的偏差，默认是0
borderType边界类型，一般不设

模糊

实例：

import cv2
import numpy as np
img = cv2.imread("F:\est01\e3.jpg")
kernel = np.ones((5, 5), np.float32)/25
# 卷积操作
dst = cv2.filter2D(img, -1, kernel)
cv2.imshow('img', np.hstack((img, dst)))
cv2.waitKey(0)
cv2.destroyAllWindows()